Los Grafos de Conocimiento son la mente artificial de los sistemas de información

El desafío de la era digital: De los pantanos de datos a lo datos inteligentes

En la era digital actual, las organizaciones enfrentan un desafío sin precedentes: la gestión de cantidades masivas de datos que crecen de manera exponencial. Y esta cifra continúa aumentando con la expansión de la digitalización en todos los sectores.

El principal reto no radica únicamente en el almacenamiento y procesamiento de estos vastos volúmenes de información, sino en la capacidad de establecer conexiones significativas entre datos aparentemente dispares para poder entenderlos y correlacionarlos. La información, aunque abundante, permanece fragmentada y desconectada, limitando su potencial para impulsar la innovación y la toma de decisiones informada.

CLAIM: Los sistemas de información siempre han vivido de espaldas al significado. El actual programa prevalente de Inteligencia Artificial mantiene esta misma tendencia, pero las personas necesitamos de interpretación y sentido.

Desde sus inicios, las tecnologías de la información han vivido de espaldas al significado. Las tecnologías actuales de procesamiento de lenguaje natural y los modelos grandes de lenguaje (LLMs) son autorrefrenciales: generan textos humanizados basándose en patrones estadísticos, pero carecen de una verdadera comprensión del significado porque no poseen capacidad simbólica. En otras palabras, carecen de la posibilidad de reconocer la verdad o falsedad de las proposiciones que producen.

-          Ramón López de Mántaras

Una verdadera inteligencia artificial debe tener un compromiso con la verdad, lo que implica una relación con algo externo a sí misma; debe incorporar una relación simbólica que conecte con la realidad. Sin embargo, las tecnologías generativas actuales solo se relacionan consigo mismas y carecen, por tanto, de toda referencia a lo exterior. Estrictamente hablando, no representan nada.

El conocimiento implica una correspondencia entre lo que pensamos y lo que existe fuera de nuestra mente. 

Ante este escenario, surgen de manera natural los grafos de conocimiento como herramienta que proporciona una solución efectiva a este desafío, permitiendo estructurar, conectar y extraer valor de la información organizacional de manera sistemática y escalable.

CLAIM: La disponibilidad de cantidades sin precedentes de información ha impulsado la necesidad de contar con modelos de datos que reflejen nuestra propia y compleja comprensión del mundo. Para que los datos sean verdaderamente inteligentes, los sistemas informáticos deben liberarse de los esquemas inflexibles definidos a priori que han caracterizado a las tecnologías tradicionales de almacenamiento.

¿Qué es un grafo de conocimiento?

Un Grafo de Conocimiento es una red de información estructurada que representa el conocimiento como un conjunto de hechos interconectados mediante relaciones explícitas. Estas relaciones, que actúan como puentes entre los hechos, definen cómo se conectan los diferentes elementos dentro del grafo y permiten la inferencia de nuevos conocimientos a partir de las conexiones existentes. De este modo, los grafos de conocimiento enlazan y unifican la información de manera significativa, haciéndola interrogable tanto para humanos como para máquinas.

Para las personas, resulta evidente distinguir entre entidades como Luisa y Juana, o entre Logroño y Madrid. A partir de este reconocimiento, atribuimos a cada entidad lo que le corresponde: que Logroño está en La Rioja o que Juana nació en Madrid. Este proceso constituye, para nosotros, el acto de conocer: comprender relaciones y contextos. La condición para construir inteligencia artificial es que nuestros sistemas reconozcan esas mismas entidades y establezcan relaciones entre ellas.

Un grafo sin modelo subyacente, es decir, sin una ontología, no puede considerarse un grafo de conocimiento para sistemas computacionales, aunque pueda resultar comprensible para los humanos.

El término Grafo de Conocimiento hace referencia al almacenamiento del conocimiento en una estructura de grafo. Un grafo, en esencia, es una estructura matemática compuesta por nodos y aristas, donde los nodos representan entidades y las aristas reflejan las relaciones entre ellas. Sin embargo, los grafos de conocimiento van más allá de esta estructura básica: deben estar modelados mediante una ontología que, a través del establecimiento de reglas y restricciones claras, permite interpretar el contexto y transformar datos dispersos en hechos consolidados y estructurados, convirtiéndolos en conocimiento.

Estas estructuras contienen y distinguen, gracias a su base lógica, las entidades reales del mundo: son capaces de razonar, realizar inferencias y también aprender, lo que las convierte en herramientas fundamentales para aplicaciones avanzadas de inteligencia artificial. Entre estas aplicaciones están, por ejemplo: 

• Sistemas de recomendación de alta precisión, que comprenden las relaciones entre usuarios, productos, servicios y sus preferencias.
• Sistemas de recuperación de información y búsqueda semántica, que mejoran la relevancia y el orden de los resultados al interpretar el contexto y las conexiones entre los términos de búsqueda.
• Procesamiento del lenguaje natural, donde su capacidad para estructurar y contextualizar datos permite una comprensión más profunda y precisa.

Para desarrollar un proyecto de IA verdaderamente inteligente, es fundamental contar con un "corazón simbólico" o semántico, es decir, con una "mente" capaz de reconocer, interpretar y comprender el conjunto de entidades que conforman el mundo, así como los metadatos que las describen y caracterizan. Esta “mente” es el grafo de conocimiento modelado ontológicamente.

Un grafo de conocimiento unifica y estructura información distribuida en múltiples sistemas, haciéndola interrogable tanto por máquinas como por personas. Representa el dominio de conocimiento específico con una alta expresividad que, además, puede expandirse. Esto es posible tanto desde el punto de vista de los sistemas que conecta como de la profundidad con la que describe el conocimiento del dominio en cuestión. En esencia, un grafo de conocimiento permite integrar, analizar y comprender datos complejos mediante la visualización de sus conexiones y relaciones, mejorando significativamente la precisión y la contextualización de la información.

Los grafos de conocimiento cuentan con numerosas capacidades que transforman radicalmente nuestra relación con los datos y sientan las bases para una inteligencia artificial con verdadera comprensión contextual.

1. Unifican la información distribuida, haciéndola interrogable tanto por máquinas como por personas y aumentando su expresividad y extensibilidad
2. Comprenden e interpretan. Los Grafos de Conocimiento permiten integrar datos específicos del dominio en cuestión, logrando una representación más rica y contextualizada de la información. Su estructura facilita la interconexión de datos heterogéneos y distribuidos, mejorando su accesibilidad e interoperabilidad, sin ambigüedades ni pérdidas de información.
3. Interrogan y encuentran. La explotación de un grafo de conocimiento permite la implementación de sistemas de interrogación en lenguaje natural, con consultas más intuitivas y cognitivamente ergonómicas, y su combinación con buscadores facetados, ofreciendo múltiples formas enlazadas y contextuales de acceder y explorar los datos.
4. Razonan, descubren y aprenden. Los grafos de conocimiento permiten la creación de un ecosistema de datos enlazados e interconectados, fácilmente accesibles. Este enfoque impulsa una web más inteligente, mejorando los procesos de búsqueda, descubrimiento de conocimiento y personalización de contenidos según las necesidades específicas de los usuarios. El enlazado de datos en un grafo de conocimiento permite construir un espacio de datos contextual en el que los conceptos y las entidades se complementan en su descripción. Dada una masa crítica de conocimiento del dominio y un buen nivel de conectividad, los grafos pueden servir como contexto que ayude a los ordenadores a comprender y manipular los datos. Incluso cuando se integran datos estructurados, a menudo hay elementos no estructurados —por ejemplo, valores de atributos de texto libre— que necesitan un análisis más profundo antes de poder interpretarlos, alinearlos y combinarlos con el resto de los datos. Los grafos aportan una base de conocimiento que hace más precisas, útiles e inteligentes las técnicas de PLN y los grandes modelos de lenguaje.
5. Refuerzan la experiencia de usuario. El modelo promueve un marco de ergonomía cognitiva en la relación entre los humanos y los sistemas, contribuyendo a un espacio de bienestar digital. Al poder conectar sistemas de interrogación en lenguaje natural con buscadores facetados, se democratiza el acceso a la información, haciéndola más accesible para un público más amplio. Los usuarios pueden descubrir e investigar cualquier tema de una forma más profunda e intuitiva y disfrutar de una web semánticamente consciente.

Los sistemas que abrazan el significado, en lugar de darle la espalda, deben cumplir cuatro condiciones necesarias. Estas condiciones son las que les permiten ser considerados 'artefactos cognitivos' capaces de conversar con las personas en un marco de sentido común.